Stora tabellmodeller förklarade: Så förstår du en ny form av generativ AI

En tabellbaserad stordator är en typ av AI-system som kan analysera storskaliga tabeller och andra typer av organiserade datamängder, till exempel miljarder betalningstrransaktioner som lagrats snyggt i fasta rader och kolumner. Den kan leta efter mönster och göra förutsägelser med hjälp av dessa datauppsättningar. På så sätt kan den hjälpa till att upptäcka trender och beteenden som skulle vara svåra för människor eller andra typer av programvara att upptäcka. 

Large language models, som driver OpenAI:s ChatGPT och Google:s Gemini, tränas på text, bilder och videor, även känt som ostrukturerad data. De är särskilt bra på att skapa liknande typer av innehåll, till exempel noveller eller bilder, och kan även användas för att utveckla programvarukod.

En LTM tränas på strukturerad data, till exempel rader och kolumner med transaktionsposter. LTM-modeller är bra på att hitta mönster, förutsäga beteenden och potentiellt förbättra system i bakgrunden.

Båda typerna av generativa AI-modeller tränas med enorma datamängder – oavsett om det handlar om skriven text för LLM-modeller eller organiserade datauppsättningar för LTM-modeller. Båda typerna av modeller kan sedan använda den träningen för att analysera och förutsäga.

För en språkmodell kan det innebära att förutsäga vad nästa ord i en mening kan vara efter att den har analyserat miljontals och åter miljontals meningar. Det är så den kan skriva en ny berättelse eller sångtexter.

För en LTM kan det innebära att man förutser någons nästa betalningstransaktion efter att ha analyserat miljarder tidigare transaktioner. På så sätt kan den bidra till bedrägeriförebyggande modeller när det gäller att avgöra vad som sannolikt är en legitim transaktion och vad som kan vara bedrägeri.

Medan språkmodeller (LLM) inte är lika bra på strukturerad data, tenderar LTM-modeller att utmärka sig när det gäller att bearbeta och analysera den här typen av information. Eftersom LTM- och LLM-modeller tränas på olika typer av data ersätter den ena inte den andra. I stället gör de olika saker och kan komplettera varandra. 

LTM-modeller kan användas för att analysera olika datauppsättningar och strukturerad data, vilket gör det möjligt för användare att hitta nya samband och få nya insikter i stora och spridda tabeller med många rader data.

Inom finansiella tjänster och betalningar kan en LTM bidra till att upptäcka misstänkt aktivitet tidigare och mer exakt genom att lära sig mönster från stora mängder transaktionsdata. Den kan känna igen typiska utgiftsmönster och snabbt identifiera när något plötsligt inte passar in i det mönstret. Eftersom en LTM lär sig hur ett normalt beteende ser ut i många olika situationer kan den också hjälpa bedrägerisystem att undvika att flagga legitima köp som bedrägerier, vilket minskar antalet onödiga kortavslag samtidigt som den fortsätter att leta efter verkliga risker.

Mastercard började utveckla egna LTM-modeller, tränade på miljarder anonyma transaktioner, för att undersöka just den här typen av scenarier och användningsområden. Vi anser att våra LTM-modeller skulle kunna användas för cybersäkerhet, lojalitets- och belöningsprogram, personanpassningsmodeller, portföljoptimering och verktyg för dataanalys. Eftersom en LTM dessutom är mer flexibel än befintliga traditionella maskininlärningsbaserade AI-system kan vi eventuellt använda en handfull LTM-modeller i stället för att bygga och underhålla tusentals mer traditionella maskininlärningsmodeller idag.

Utöver betalningar och finansiella tjänster kan LTM-modeller användas inom alla branscher som hanterar stora mängder strukturerad data – från läkemedel och energi till transport och logistik – så att organisationer kan hitta nya insikter i sin data.

Baserat på offentligt tillgänglig information vid tidpunkten för publiceringen av den här artikeln verkar det som att det finns få – om ens några – LTM-modeller i produktion i dag. Många företag har dock hittills meddelat positiva resultat från sin forskning och utveckling av egna LTM-modeller, och flera verkar arbeta mot att ta dem i produktion. Det kommer nyheter varje dag om funktioner inom generativ AI, så snabba förändringar och nya upptäckter som rör LTM-modeller är att vänta.

För närvarande verkar det som att LTM-modeller, till skillnad från språkmodeller (LLM), i högre grad fungerar i bakgrunden och stärker system för bedrägeriförebyggande, analyserar stora datamängder och stärker organisationers kapacitet inom datavetenskap.

Vi vet ännu inte hur LTM-modeller skulle kunna interagera med AI-agenter. Idag används LLM-modeller som grund för att driva många typer av AI-agenter, som ChatGPT, men samma typ av användningsfall är inte lika självklara för LTM-modeller eftersom de i högre grad används för att förbättra och strömlinjeforma organisationers verksamheter och system. Vi kan dock föreställa oss en framtid där en agent skulle kunna arbeta med en LTM-modell för att lösa verkliga problem på ett liknande sätt som det görs i dag med språkmodeller.

En agent skulle till exempel en dag kunna använda analysen från en LTM för att driva personliga rekommendationer för någon som handlar via en chattbot med generativ AI. På så sätt kan LTM-modeller så småningom komma att användas för att driva agentisk handel, en ny och växande form av detaljhandel som använder dessa agenter för att shoppa, upptäcka och köpa.